Bild-Klassifikator für die Qualitätskontrolle in einer Schwarzwälder Holzverarbeitung
Übersicht
Worum es bei diesem Projekt geht.
Sie erhalten 4.200 annotierte Bilder (Defekt-Typ als Label, plus 'kein Defekt') aufgeteilt 70/15/15 in Train/Val/Test und ein Vergleichs-Datensatz mit 200 Inspektoren-bewerteten Bildern, in denen drei verschiedene Inspektoren unabhängig die Defekte markiert haben (Inter-Rater-Agreement gemessen). Bauen Sie einen Klassifikator mit Transfer Learning: starten Sie mit ResNet-50 (ImageNet-Pretraining), ersetzen Sie den Klassifikations-Kopf, fine-tunen Sie. Augmentation pflicht (Crops, Rotationen, Helligkeit). Evaluieren Sie auf Test-Set mit Per-Class-Precision/Recall und vergleichen Sie Per-Class-Performance mit der Inspektoren-Konsens-Wahrheit auf den 200 Bildern. Bauen Sie einen leichten FastAPI-Inference-Service, der ein Bild aufnimmt und Defekt-Klasse + Konfidenz zurückgibt. Liefern Sie Code, Evaluations-Bericht, Service und ein Limits-Memo.
Das Briefing
Was Du tust und was Du zeigst.
Wie sieht ein Bild-Klassifikator aus, der auf dem Test-Set mindestens 88 Prozent Macro-Recall pro Defekt-Klasse erreicht und seine Grenzen gegenüber Inspektoren ehrlich quantifiziert?
Earning criteria — what you'll demonstrate
- Transfer Learning praktisch auf einen industriellen Use-Case anwenden
- Augmentation und Per-Class-Evaluation als Standard-Praktiken etablieren
- Modell-Performance fair gegen menschliche Baseline messen
- Inference-Services produktionstauglich verpacken
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenSoftware-Entwickler:in
Ein produktiv-tauglicher Bild-Klassifikator mit ehrlichem Inspektoren-Vergleich ist eine starke Junior-Portfolio-Arbeit für Applied-ML-Stellen in Fertigung, Logistik und Health.
Dieses Projekt schärft
- transfer-learning
- image-classification
- applied-ml
Backend-Entwickler:in
Backend-Entwickler:innen, die ML-Inference-Services bauen und deployen können, sind in mittelständischen Industrieunternehmen besonders gefragt.
Dieses Projekt schärft
- python
- applied-ml
- deep-learning-basics
Systemarchitekt:in
Systemarchitekt:innen mit ML-Inference-Erfahrung treffen realistischere Architektur-Entscheidungen für KI-getriebene Pipelines.
Dieses Projekt schärft
- model-evaluation
- applied-ml
- deep-learning-basics
Noch eine Sache